一种参数自适应的主动队列管理算法—自适应BLUE

BLUE算法是一种典型的主动队列管理(Active Queue Management,AQM)算法,研究表明BLUE算法优于RED算法。BLUE算法使用丢包事件和链路空闲事件控制网络拥塞。但由于BLUE算法在参数设置方面存在不足,尤其是当TCP连接数突然剧烈变动时,容易导致队列溢出或空闲的频繁发生。该文引进参数自适应机制,提出了自适应BLUE算法,并借鉴了RED算法的早期拥塞检测机制。NS仿真实验表明该算法能有效保持队列长度的稳定,减少队列溢出或空闲现象的发生,在提高链路利用率的同时降低丢包率。

一种精确度加强的主动队列管理算法BLUE^+

主动队列管理是IP拥塞控制的一种重要机制,BLUE算法作为一种典型的主动队列管理算法,使用丢包和连接空闲事件来控制拥塞,但是其性能还不稳定。对BLUE算法进行了改进,提出了一种精确度加强的主动队列管理算法BLUE+,并将其应用于区分服务(D iffServ)模型。仿真表明BLUE+能够进一步提高对队列的控制精确度,改善BLUE算法的性能,并且能有效地支持区分服务。

SABlue:一种带加速因子的自适应AQM算法

该文在分析SBlue算法的基础上,提出了一种带加速因子的自适应AQM算法SABlue(Self-tune AccelerateBlue)。算法将瞬时队长作为早期拥塞检测参量,根据队列负载因子控制丢包步长,实现丢包概率幅度的自适应调整,最终将路由队列长度稳定在目标区域内。为了提高网络突变跨度较大情况时算法的响应速度,在队列警戒区域内引入了加速因子。实验表明,SABlue面对突变流和不同RTT的网络场景,队列收敛时间短,丢包率小,且具有较好的鲁棒性,算法综合性能优于其他AQM算法。

一种自适应主动队列管理算法ABlue

Blue是一种典型的主动管理算法,但其队列和延时波动较大,尤其在连接数较大或连接数突然发生变化时容易造成队列溢出或空闲。为此,提出一种自适应主动队列管理算法——ABlue,利用平均队列长度预测拥塞,根据网络流量的变化动态计算标记概率,从而保持队列稳定、减小延时抖动并降低丢包率。仿真实验结果表明,相比Blue算法,ABlue算法具有较低的丢包率和较高的带宽利用率。

基于单调链的Red/Blue扫描线求交算法

提出了一种基于单调链的Red/Blue平面扫描线算法。该算法针对GIS中线段之间具有连接关系的特性,将平面连接线段集分解为一组单调链,通过对单调链的粗扫描过滤和对线段的精扫描求交,减少了扫描过程中的冗余计算,提高了线段集求交点的效率。实验证明,该算法对于处理具有连接关系的线段集的求交点问题具有很高的效率。

基于SBO-LSTM的大坝变形预测模型

变形是大坝安全性态的综合反映,建立其与环境量的可靠关系模型对保障大坝长效服役具有重要意义。为提高大坝变形预测的精度和泛化能力,并解决长短期记忆神经网络(LSTM)参数选取随机性大、选取困难的问题,提出了一种利用缎蓝园丁鸟优化算法(SBO)来优化长短期记忆神经网络的混凝土坝变形预测模型(SBO-LSTM)。该方法首先通过高斯滤波和Symlet小波滤值两种方法对选定的监测数据进行统一的清洗、归一化、去噪等预处理;其次,借助SBO算法对长短期记忆神经网络模型的超参数进行寻优;最后对混凝土坝变形进行高精度预测并通过三种不同评价指标(MAE,RMSE,MAPE)对预测结果进行评价。以某混凝土坝为例并与传统优化算法对比分析,结果表明通过SBO算法优化后LSTM神经网络具有更高的预测精度和稳定性,综上,该预测模型为大坝变形监测数据分析与预测提供了一种新的可行方法。

一种快速维持队列稳定的BLUE改进算法

BLUE算法在TCP连接数发生突变时会导致队列长度的剧烈波动。针对该现象,提出一种能快速维持队列稳定的BLUE改进算法——FSBLUE。该算法根据网络参数调整标记丢弃概率的调整步长,并通过概率估计加快算法的反应时间。仿真结果表明,FSBLUE算法在维持队列稳定性方面明显优于BLUE算法。

基于深度学习的火力发电厂锅炉故障诊断方法

针对当前火电厂锅炉故障诊断准确度不足的问题,提出一种基于深度学习的火电厂锅炉故障诊断方法。在系统分析锅炉运行特征的基础上,选取重要参数作为锅炉故障特征量。设计基于深度卷积神经网络的作为基础的故障特征分类模型,用以对故障特征信息进行深度学习与分类识别,并针对DCNN参数寻优效率低和稳定性低的问题,采用引人避险原则改进的缎蓝园丁鸟优化算法实现DCNN参数的自适应寻优,从而建立基于ISBO-DCNN的火电厂锅炉故障诊断模型。实验结果表明:提出的ISBO-DCNN模型相比于其他计算模型具有更高的诊断准确性,能够较为准确地实现对火电厂锅炉的故障诊断,在火电厂运检工作方面具有良好的工程实际应用能力。

基于BLUE与PCRLB的快速雷达资源管理

为提高相控阵雷达资源管理的实时性,提出了一种基于最优线性无偏估计滤波(Best Linear Unbiased Estimation,BLUE)和后验克拉美罗界(Posterior Cramer-Rao Lower Bound,PCRLB)的快速雷达资源管理算法。首先,使用BLUE算法代替传统跟踪滤波算法,完成目标跟踪,并得到目标在直角坐标系下的状态估计;然后,快速计算得到PCRLB作为代价函数,形成雷达资源管理模型;最后,利用该模型对多目标进行波束和驻留时间的分配。仿真结果表明,该算法以BLUE方法进行跟踪滤波,避免了传统PCRLB计算中雅可比矩阵(Jacobian Matrix)的运算,在保持跟踪精度的同时大幅减少运算量;以两步资源管理算法完成对波束、驻留时间的联合管理,合理分配雷达资源。

天宫二号数据大气细颗粒物遥感反演

针对天宫二号(TG-2)大气细颗粒物遥感反演及可行性问题,利用TG-2宽波段成像仪的可见近红外波段数据,结合MOD09A1地表反射率产品构建地表反射率库,使用6S传输模型和深蓝算法反演气溶胶光学厚度(aerosol optical depth,AOD),并结合能见度和相对湿度数据对AOD进行订正,利用统计模型估算了鲁豫皖典型地区的大气细颗粒物PM_(2.5)浓度,并对PM_(2.5)浓度的空间分布进行分析。结果表明:天宫二号数据在AOD和PM_(2.5)遥感反演中具有较高的可行性,拟合度分别达到0.910和0.902;经过垂直订正和湿度订正,PM_(2.5)和AOD之间的相关性大幅度提高;PM_(2.5)的空间分布呈“污染岛”特征,这在气溶胶排放和扩散研究中起着重要作用。天宫二号PM_(2.5)反演为区域大气污染监测提供了一种有效手段。

一种空潜蓝绿激光通信双盲均衡方法

空潜蓝绿激光通信系统容易受到信道多径效应的影响,从而发生码间干扰,严重影响系统性能。通过对空潜蓝绿光通信系统信道进行剖析,基于蓝绿激光衰减特性和时域展宽特性,将可变步长恒模分数间隔均衡算法和判决导向最小均方算法相结合,提出了1种适合空潜蓝绿激光通信的双模盲均衡方法。所提方法相较于CMA盲均衡、CMA+DD-LMS均衡以及CLMS均衡等常规均衡方法,能够获得更小的均方误差和更快的收敛速度,具有更好的均衡性和抗噪声性能,可有效提高系统性能。当系统误码率为10-4时,性能最高可提升约1.8 dB。

利用MODIS资料监测京津冀地区近地面PM_(2.5)方法研究

为了建立京津冀地区冬季近地面细颗粒物浓度监测方法的模型,利用气象模式资料对2013年1—3月MODIS的AOD二级深蓝算法产品进行湿度和垂直订正,与同期观测的地面细颗粒物PM2.5资料进行相关分析。结果表明:AQUA的MODIS深蓝算法AOD产品更适用于建立冬季AOD-PM2.5遥感监测模型,其R2为0.33;以气象模式资料中边界层高度代替气溶胶标高对MODIS的AOD进行垂直订正,并结合IMPROVE观测的气溶胶吸湿增长特征构建分区湿度订正方法,可以提高AODPM2.5模型结果的精度,建立较理想的京津冀地区冬季遥感反演综合模型,模型模拟结果与地面监测结果 R2达0.50以上。根据建立的模型计算了2013年1—3月京津冀地区PM2.5月平均浓度,京津冀地区1月PM2.5浓度较高,南部大部分地区空气质量已达到重度污染水平。

高分一号数据的气溶胶光学厚度反演和验证

针对高分辨率卫星遥感反演气溶胶光学厚度地表噪声难以分离的问题,利用国产"高分一号"(GF-1)的数据特点,提出了一种气溶胶光学厚度反演方法和处理流程。该方法分别基于暗像元和深蓝算法去除了浓密植被和城市亮目标地区的地表贡献,并应用于我国污染较为严重的京津冀、长三角、珠三角等示范区域。利用北京、杭州、香港AERONET地基观测数据,对GF-1反演得到的气溶胶光学厚度进行验证,结果表明:气溶胶高值均集中在三大区域工业排放大和人类活动密集的核心城市,年均光学厚度值在1左右。卫星和地基的相关性总体较好,三大区域的相关系数分别达到了0.71、0.55、0.54。受云识别、亮地表覆盖和气溶胶模式假设等影响,GF-1反演的气溶胶光学厚度存在一定程度的偏差。

京津冀地区气溶胶光学厚度反演及其空间分布特征

利用2014年9月1日至2015年5月31日Terra/MODIS MOD 021KM数据,以京津冀地区为研究区域,采用深蓝算法和查找表法反演京津冀地区1 km分辨率的气溶胶光学厚度,并将反演的气溶胶光学厚度与NASA产品和CE-318观测的气溶胶光学厚度进行比较。结果表明:反演的气溶胶光学厚度与NASA MOD 04_L2(10 km×10 km)和MOD 04_3K(3 km×3 km)两种气溶胶产品的空间分布具有高度的一致性,且空间分辨率更高;反演的气溶胶光学厚度与石家庄站CE-318观测气溶胶光学厚度的平均绝对误差为0.07左右,二者之间的相关系数R^2=0.956。卫星过境时,1 km反演的气溶胶光学厚度与MOD 04_L2气溶胶产品的平均误差约为0.06,反演的气溶胶光学厚度与MOD 04_3K气溶胶产品的平均误差约为0.03。对反演的气溶胶光学厚度与河北省PM_(2.5)和PM_(10)质量浓度的空间分布进行相关性分析表明,气溶胶光学厚度AOD与PM_(2.5)和PM_(10)质量浓度的相关系数分别为0.745、0.663,说明1 km反演的AOD可以有效反映区域PM_(2.5)和PM_(10)质量浓度的空间分布。

徐州市GF-1卫星气溶胶光学厚度反演与空间特征分析

目前,基于国内外发射的各种卫星传感器观测数据的陆地气溶胶光学厚度(AOD)反演方法与应用研究已相对成熟。然而,针对我国国产高空间分辨率(如高分一号)卫星数据的城市小区域尺度的反演与应用则相对较少。因此,选择使用深蓝算法对我国重要的工业型城市--徐州市进行国产GF-1 WFV数据AOD反演与空间特征分析,并利用地基AERONET同期数据进行反演结果验证。研究结果显示,2015-2017年6期的徐州市AOD整体空间格局稳定,均以人口聚集的城区呈高值分布为特征,不随季节变化,说明该地区空气污染源极可能以城市人为排放为主;与AERONET站点同期数据的相关性分析与时序分析结果表明,基于GF-1WFV高空间分辨率卫星数据的徐州市AOD反演结果质量良好。建议今后在大数据支撑下,应充分利用时空数据融合及机器学习等先进技术手段,弥补受云覆盖影响下单时间窗口GF-1卫星数据AOD反演的缺陷,以期达到国产高分卫星的更高时间、更高空间分辨率以及实时监测与预测的更高业务目标。

基于环境一号卫星的气溶胶光学厚度反演技术研究

基于环境一号卫星（HJ-1）遥感观测数据,采用改进的暗目标算法和深蓝算法分别对暗像元、亮像元地表的气溶胶光学厚度（AOD）进行反演,并将其结果与MOD04产品对比。结果表明：二者反演的AOD空间变化特征较一致,相关系数达0.874,HJ-1星反演结果有更高的空间分辨率。当AOD值〈0.2时,HJ-1星反演结果可靠性较低;当AOD值在0.2-0.8之间时,HJ-1星CCD相机反演气溶胶的结果与MOD04产品最相近,二者相对误差〈10%;当AOD值在0.8-1.5之间时,HJ-1星反演结果相对MOD04产品显著偏高;当AOD值〉1.5时,HJ-1星反演结果相对MOD04产品偏低。

包头市细颗粒物遥感监测混合线性模型

以PM_(2.5)为主的颗粒物污染是影响我国城市空气质量的首要因素之一。针对城市尺度,高时间分辨率的MODIS气溶胶产品空间分辨率不足,且气溶胶光学厚度(AOD)与PM_(2.5)回归精度受到季节因素的影响而精度不足的问题,以Landsat-8OLI为数据源,选取季节因子为影响AOD变化的随机效应,以风速、地表温度、AOD等为固定效应,提出AOD与实测PM_(2.5)关系的混合线性模型。结果表明,与线性模型相比,该模型有较好的回归精度;包头市PM_(2.5)浓度时空差别明显,PM_(2.5)浓度冬季浓度水平最高,春季最低;从空间分布来看昆都仑区污染较高,青山区北部次之,东河区和九原区最低。

基于跳跃因子模型的不规则分布蓝色任务法

跳跃因子模型是处理系统超载的一种有效方法 它能够降低系统负载 ,并使系统缓慢降级 Deeply Red算法是一种简单的基于跳跃因子模型的任务请求丢弃方法 ,然而由于Deeply Red算法未考虑任务特性和CPU资源利用率 ,其性能较差 为了克服Deeply Red的缺点 ,提出不规则分布蓝色任务法 :静态不规则分布蓝色任务法 (SUDB)和动态不规则分布蓝色任务法 (DUDB) SUDB和DUDB算法都是通过降低高优先级任务对低优先级任务的干扰时间 ,来提高任务集的可调度性 模拟结果表明 ,SUDB和DUDB算法性能要优于Deeply

篮球运动员过度训练对肘膝关节损伤建模仿真

在训练条件和训练时间不同的情况下,篮球运动员的肘膝关节受到训练复杂强度的影响,使得训练时间与关节损伤因素产生大量的约束条件,采用传统的算法建立篮球运动员过度训练对肘膝关节损伤建模过程中,由于大量约束条件对关节损伤的因素与过度训练间的影响,无法对损伤程度进行详细的分析,存在建模精确度低、误差大的问题。提出改进主成分分析算法的篮球运动员过度训练对肘膝关节损伤建模方法。先分析影响关节损伤的因素与过度训练间的关系,建立过度训练对关节损伤向量集,并利用小波包方法选取一组最佳的向量作为影响因素的小波变换核,融合统计分析理论提取篮球运动员过度训练与影响因素间的关系特征,对造成关节损伤的主成分进行估计,建立精确的过度训练对肘膝关节损伤模型。实验结果证明,改进的建模方法建模精确度高。

改进遗传神经网络及其在水体富营养化和藻类生长预测中的应用

水体富营养化是藻类爆发性生长的主要因素,为了对其进行实时监测预报,提出一种改进遗传神经网络(QGANN),以实现智能预测.该网络从遗传算法(GA)和神经网络(NN)两方面及其相互关系着手,构造了一个基于量子力学原理的量子平衡交叉算子,设计了一种NN混合优化策略,将两者合并共生获得了一类快速、高效的神经网络预测模型.水库和湖泊蓝绿藻爆发预测实验表明:该改进遗传算法(QGA)性能优良;QGANN的泛化能力明显提高,比未经改进的方法(GAsNN)及简单改进的方法(DCGANN)取得了更加满意的效果.